Crypto Asset AML Monitoring & Compliance Management
Die modernen Felder der Künstlichen Intelligenz wie Graph Convolutional Networks und Auto-Encoder in Kombination mit nativen Fähigkeiten von Graphendatenbanken sind der bewährte Schlüssel zum Erfolg in diesem Bereich.
Die Financial Action Task Force (FATF) ist der führende Player bei der Erarbeitung anerkannter und wirksamer Leitlinien und Vorschriften zur Bekämpfung krimineller Aktivitäten in Finanzsystemen. Seit der Gründung der FATF haben ihre Empfehlungen die weltweite Gesetzgebung zur Geldwäscheprävention beeinflusst. Nach der Definition der FATF handelt es sich bei Krypto Vermögenswerten um Wertgegenstände, die digital gehandelt oder übertragen und zu Zahlungs- oder Anlagezwecken verwendet werden können. Zusätzlich zu ihren Empfehlungen stellt die FATF auch Auslegungshinweise zur Verfügung. Die aktuelle Version dieser Auslegungshinweise empfiehlt den Mitgliedstaaten, dafür zu sorgen, dass Dienstleister mit Zugang zu Krypto Vermögenswerten die Daten von Absendern und Empfängern erfassen. Das deutsche Bundesfinanzministerium hat einen Entwurf für eine Kryptowertetransfer-Verordnung veröffentlicht. der Entwurf dient der Umsetzung der Standards der FATF (Empfehlung 15 – Auslegungsnote 7b, sog. “travel rule” für Kryptowerte). Die Verordnung ordnet somit an, dass Informationen über den Begünstigten oder Auftraggeber eines Kryptowerttransfers gesammelt und gespeichert werden müssen, wenn der Transfer von oder zu einer Wallet erfolgt, die nicht von einer Krypto-Verwahrstelle verwaltet wird (sog. „unhosted wallet“).
Das enorme Wachstum neuer Technologien, insbesondere im Fall von DLT und Blockchains, wird nicht nur neue Möglichkeiten in der Finanzwelt, sondern auch neue regulatorische Anforderungen schaffen.
Die innovativen Technologien und Geschäftsmodellen, die durch die Adaption der Blockchain-Technologie entstehen, nicht zu ersticken und sie gleichzeitig aus regulatorischer Sicht handhabbar zu machen, ist eine schwierige Aufgabe. So müssen sich die aktuellen Akteure wie Kryptobörsen oder Handelsplattformen für digitale Assets eher früher als später diesen Themen widmen, um keine entscheidenden Wettbewerbsnachteile oder gar Ausschlüsse aus Wirtschaftsräumen befürchten zu müssen.
So können die Risiken der Finanzkriminalität bei falschem Management existenzbedrohende Folgen haben, aber in diesem jungen Markt ist das aufgebaute Vertrauen der Schlüssel zum Wettbewerbserfolg.
PwC Deutschland hat sich dieser Aufgabe angenommen und eine KI-basierte Plattform entwickelt, die es ermöglicht, Anforderungen wie die Travel Rule sowie andere AML relevante Anforderungen FATF konform zu erfüllen. Die BETA (Blockchain Explorer & Transaction Analyzer) genannte Lösung von PwC soll den Krypto-Asset-Dienstleister unterstützen und sicherstellen, dass die Compliance- und Regulierungsanforderungen erfüllt werden. Eines der Hauptmerkmale von BETA ist die Fähigkeit, ein transparentes und nachvollziehbares Risikoreporting für jede Transaktion in jeder Tiefe zu generieren. Bei beispielsweise über 300000 Transaktionen pro Tag auf der Bitcoin-Blockchain und mehr als einer Million Transaktionen pro Tag auf Ethereum, kann dies enorme Herausforderungen an die verwendete Technologie stellen.
Ebenso wichtig ist die Möglichkeit der Verknüpfung von lokalen Daten z.B. einer Krypto Börse wie Order-History, KYC-Records und IP-Session Logs mit den On-Chain Daten. Der Vorteil von BETA besteht nicht nur in der Verknüpfung lokaler Datenquellen mit On-Chain Analytik sowie in der stetig reifenden analytischen Datenbank, sondern auch in der Möglichkeit bestehende AML-Scoring Anbieter entlang eines Scoring-Prozesses zu integrieren und auf ein einheitliches, transparentes Risk Scoring zu bringen.
Neo4j hat sich hier als zuverlässiger Partner erwiesen, der uns in die Lage versetzt, diese technologische Herausforderung zu meistern.
Neben den offensichtlichen Aufgaben wie der Speicherung, Verwaltung und Anreicherung dieser schieren Menge an Transaktionen, nutzen wir die von neo4j entwickelten Tools wie die Graph Data Science Library (GDSL), um verschiedene KI Algorithmen zur Mustererkennung und Transaktions-Klassifizierung direkt auf dem Graphen auszuführen, ohne ihn umzuwandeln und zwischenzuspeichern.
Durch den Einsatz von neo4j können wir automatisierte Auswertungen in Echtzeit anbieten und müssen uns keine Gedanken über Laufzeit- oder Skalierungsprobleme machen.
Aber lassen Sie uns in die wichtigsten Herausforderungen eintauchen, um zu verstehen, warum dieses Thema so komplex ist und warum ein solides Verständnis der regulatorischen Seite, aber auch der Technologie erforderlich ist:
- Die große Vielfalt der von der FATF red flags, die häufige und weniger häufige patterns beschreiben, stellt uns vor eine große technologische und analytische Herausforderung. Daher müssen unsere Teams verschiedene und sehr unterschiedliche Strategien entwickeln, um diese zu bewältigen und effektiv zu bleiben. Neo4j hat sich als sehr flexibler Partner erwiesen, der es uns ermöglicht hat, die Laufzeitkomplexität der entwickelten Verfahren zu senken.
- Eine zusätzliche Herausforderung war die Tatsache, dass die verschiedenen Blockchain-Implementierungen unterschiedliche Standards für die Persistierung der Daten verwenden: Im UTXO-Modell (Bitcoin) stellt der gesamte Graph der ausgegebenen und nicht ausgegebenen Transaktionen den globalen Zustand dar. Im Account Modell (Ethereum) stellt nur der aktuelle Satz von Konten und deren Guthaben den globalen Zustand dar. Durch die eingesetzte Technologie konnten wir die Transaktionen in eine gemeinsame Datenbank laden und so die Komplexität der Beladung reduzieren, ohne Informationen vorab zu aggregieren. Dies hat enorme Vorteile für die Weiterverarbeitung der Daten.
- Durch die enormen Datenmengen und die breite und tiefe Suche, die wir in unseren Algorithmen für die Anreicherung und letztlich auch für das Transaction Risk Scoring sowie die Flow of Funds Analysen verwenden, würden wir in Situationen kommen, die in herkömmlichen Datenbanken schnell zu unwirtschaftlichen Laufzeit-Problemen geführt hätten. Durch den Einsatz der Graphdatenbank, konnten wir sehr effiziente und übersichtliche Abfragen und Lösungen für die genannten Probleme entwickeln.
Fazit
Die modernen Felder der Künstlichen Intelligenz wie Graph Convolutional Networks und Auto-Encoder in Kombination mit nativen Fähigkeiten von Graphendatenbanken sind der bewährte Schlüssel zum Erfolg in diesem Bereich. Dieser Bereich der Advanced Analytics ist komplex und erfordert große Investitionen in Forschung und Entwicklung, um nachhaltige Ergebnisse in der Mustererkennung zu erzielen.
PwC Deutschland kann diese Komplexität meistern, indem wir die jahrelange Expertise unserer Kollegen aus unterschiedlichen Bereichen des PwC Netzwerks in einer AML Transaction Monitoring Plattform bündeln, die das Ziel hat, die aktuellen Marktdefizite auszugleichen.
Sprechen Sie uns darauf an. Wir freuen uns, Ihre Compliance Prozesse zu überprüfen und an die neuen regulatorischen Standards anzupassen.
Ich möchte mich bei Dimitri Gross, Senior Manager in Financial Services Technology Consulting und Dr. Robert Holzmann, Senior Manager in Forensic Services, für ihre wertvollen Einblicke in die BETA Plattform bedanken.
